大学のイノベーションと起業プログラムにおける意思決定体験を促進する教育ゲームの設計

サマリー

本研究は、ベイズネットワークを用いたゲームベースのモデルを提案し、イノベーションと起業家精神教育を強化し、知識追跡、学習意欲、適応力を向上させます。結果は高い正確率(95.6%)を示し、従来の指導法と比べてより良い結果を示しています。

要約

教育ゲームは学習者を状況環境に没入させ、関与を高め、知識習得のモニタリングや大学のイノベーション・起業家精神(IE)コースにおける熱意維持のギャップを埋めます。本研究はIE教育と行動を結びつける内部論理メカニズムを構築し、確率的推論(PR)のためのベイズネットワーク(BN)を活用して学習者の知識習得度を評価する。知識構造トラッキングのための教育ゲームフレームワークを活用し、特徴埋め込みと注意メカニズムを統合した改良されたディープナレッジトレーシング(DKT)アルゴリズムによって強化された大学のIE意思決定体験ゲームモデルを提案します。結果は、モデルの起業教育スコアと予測精度の両方が95.6%に達し(テストモデルの中で最高)、すべての評価スケール項目が強い情報カバレッジを示していることを示しています。平均指標スコアは4を超えており、効果的なフィードバックを反映しています。生徒のゲームベースのモデルへの適応度は、従来の教育に比べて2%〜11%高いです。組み込みのリアルタイム評価は学習成果を指導目標に整合させ、戦略の調整を可能にします。IE教育の価値は起業家としての意識、能力、意欲を育むことにあり、その機能は資源統合などの実践的スキルの向上にもあります。このモデルは学習意欲、適応力、効率性を向上させ、個別の大学IE教育設計のための洞察を提供します。

概要

イノベーションと起業家精神(IE)教育は、起業家リテラシーと先駆的な人材を育成し、革新的な思考と起業家的能力の段階的な訓練に焦点を当てています。しかし、現在のIE教育は実践性とインタラクティブなカリキュラムに欠けており、理論に大きく依存し、実践的な問題解決能力が軽視されています。高いインタラクティブ性とシナリオシミュレーションを備えた教育用ゲームは、意思決定とチームワークを促進することでこのギャップを埋めることができ、パーソナライズされた工業的学習の有望なツールとなっています^。

IEの教育効率を向上させるために、過去の研究ではゲームをIEに統合しましたが、2つの重要な制約に直面しています。学習者は重要な知識ポイントを見落としがちであること、そして従来のゲームは知識習得を動的に追跡できないこと^2,3。これらに対応するために、次の仮説を提案します。ベイズネットワーク(BN)推論を統合したIE意思決定体験ゲームと、改良されたディープナレッジトラッキング(DKT)アルゴリズムを組み合わせれば、従来の教育や既存のKTモデル(BKT、DKVMN、EKT^)よりも高い予測精度と学生の適応力が達成されます4.本研究の二重の革新は、従来の静的知識評価のみを行うモデルとは異なり、BN推論(知識点を条件付き確率表(CPT)を用いたノードとしてモデリングし、ゲーム^{パフォーマンスデータを通じて}リアルタイムで学習の弱点を診断しています。本研究はIE次元の特徴(起業家的意識、能力、意図)と注意メカニズム(AM)を埋め込み、標準DKTの長距離情報損失を解決し、BKT、DKVMN、EKT⁶などの限定モデルを上回る性能を示しました。

IE教育の核心は、起業家としての意識、能力、意図を育むことにあります。これらはIEと起業家行動の間の3つの仲介変数であり、基本的かつ主要な目標に対応していますが、既存のツールはその動的な発展を追跡できていません。これは重要な実務ニーズを浮き彫りにしています。現在のIE教育には適応力のあるデータ駆動型のツールが欠けているのです。リアルタイムフィードバックを備えたゲーミフィケーションシステムは、この問題に直接対応し、高等教育の文脈でのスケーラビリティを提供します。

本研究は5つのセクションで構成されています:(1) IE/教育ゲームの概念とその設計上の課題を詳述する;(2) IE教育および教育ゲーム研究のレビュー;(3) 詳細な方法論(IEゲーム評価の次元の選択、改良されたDKTの統合によるモデル構築);(4) モデルの性能を検証すること;(5) 発見、制限事項、今後の方向性を要約します。

関連作品

大学生の質の高い雇用を促進するために大量のIEを推進する中、IE教育を通じてイノベーションリテラシーと起業家精神を高める方法については、あらゆる分野から広く懸念^{されています。}Liuらは知的教育における学生の積極的な支援手法を分析し、知識概念の情報を統合し、再帰ニューラルネットワークの枠組みを解釈可能な演習認識知識追跡(EKT)フレームワークに拡張しました。結果は、この手法が⁸年生の予測において優れた解釈性を持つことを示しています。Shuteらは、学生の好み、性別、その他の特性を教育のゲームに統合しました。結果は、教育用ゲームに基づく物理教育は従来の教育よりも成績とゲームのパフォーマンスが良好であることを示し^ました。Chenらは、準実験設計を通じてモバイルビジネスシミュレーションゲームの起業教育への影響を探りました。研究結果は、モバイルビジネスシミュレーションゲームが起業家精神や自己効力感を向上させることは可能だが、起業家の意図を変えることはできないことが示されました。研究結果は、モバイルビジネスシミュレーションゲームが起業教育において肯定的な役割を果たすことを確認し、起業家精神と自己効力感を高めることを裏付け^{ています。}研究結果は、この手法が学習者のゲーム課題でのパフォーマンスに対して高い予測精度を持つことを示しています。Shiらは、二次関数の知識をゲームに統合する教育モードを提案しました。この実験では、この^{指導手法を通じて}生徒の学習動機付けと数学のスコアが有意に向上したことが示されました。

Isabelleらは、独立したゲーミフィケーションプラットフォームを用い、ゲームメカニズムを非ゲーム応用で活用し、IE教育理論を統合することで起業家教育のゲーミフィケーションを分析^{しました。}研究結果は、ゲーミフィケーションされた起業家教育の手法が学生の参加と起業家としての自己効力感を高める可能性があることを示しました。Soomroらは、特定の大学の学生を対象に、断面データ定量的手法を用いて起業家教育、自己効力感、起業家的意図に関する実証調査を実施しました。結果は、起業家教育の構造が起業家の自己効力感と起業家的意図に有意なプラスの影響を与えたことを示し^ました。ロイのような学者は、起業家教育における前提と課題についての議論を提案し、新たな起業家的視点を既存の起業家的教育モデルに統合しました。研究結果は、起業家教育の影響力を高めるために知識の優先順位を決定することが最も重要であることを示しました¹⁴。学校におけるIE教育の性能向上のため、Maoらは意思決定木とファジィアルゴリズムに基づくIE教育の評価モデルを構築しました。この実験は、このモデルが大学のIE教育の質を効果的に評価し、IE教育戦略の最適化のための実用的な定量的ツールを提供するという実用的な応用を持つことを示しました。¹⁵。Liらはインターネットの文脈で大学生向けのIE教育の必要性を分析しました。実際の研究結果に基づき、IE教育と実践の発展を促進するための戦略が提案されています^。

まとめると、IE教育の価値と機能は主に、基礎的な品質と先駆的な起業家精神を持つ人材の育成にあります。その価値は、革新的な意識、知識、能力、意図を包括的に考慮し、学生の起業家的情熱を刺激することを目指した心理的要件にあります。この基盤に基づき、IE教育は資源統合、チームビルディングなどを含む学生の起業能力の向上に焦点を当て、最終的に起業家的意図を形成し、それを実践的な行動へと変えることを目的としています。機能的には、IE教育は資源統合やチームワークなどの実践を通じて、起業家的行動の実現を促進することで、学生が起業家としての課題に立ち向かう能力を向上させます。現在のIE教育に関する研究は主に理論的特徴、役割、実証分析に焦点を当てており、指導方法に関する関連研究結果は不足しています。学習者によって異なる指導や支援が必要かもしれませんが、教育ゲームは学習者の知識習得状態をシミュレートすることはできません。これらの問題を解決するために、本研究は学生間の個別の学習差異を特定し、BN推論を用いて学習者の教育における知識習熟度を得ることを提案します。さらに、改良された知識追跡(KT)アルゴリズムに基づき、学生のIE教育のための意思決定体験ゲームモデルを構築しています。

プロトコル

本研究は紹興大学人間研究倫理委員会(承認番号)によって承認されました。SU-2023-IE-058)。すべての参加者はデータ収集前に書面によるインフォームドコンセントを提供しました。この実験はヘルシンキ宣言(2013年)に従って実施されました。

大学生向けのIE教育の意思決定体験のためのゲームデザイン

この研究では、学習者の知識習得度をリアルタイムで評価するためのベイズネットワーク(BN)を導入しました。各知識点は、依存関係を定義する条件付き確率表(CPT)を持つノードとしてモデル化されました。ゲーム内の生徒のやり取りによるパフォーマンスデータは、pgmpyライブラリ(v0.1.20、Python 3.9.7)を用いた確率的推論の証拠となりました。効率的な推論のためにジャンクションツリーアルゴリズムが用いられました。

BN推論に基づく学生のIE教育におけるゲーム評価次元の特徴選択

IE教育の発展は高等教育の改革の継続的な深化とともに進められ、教育分野でも大きな進展が見られました。IE教育エコシステムの研究的背景は、イノベーションが開発の原動力であり、現代^{経済システム構築}の戦略的支援^{となっています。}しかし、IE生態系の運用は自然生態系と同様に多くの影響要因を持っています。IE教育の基本的な機能と価値は、多くの革新的な人材(革新的な精神、知識体系、行動能力を持つ高品質な人材)を育成すること^{にあります。}その基本的な目的と価値は主に、図1に示されるように、IE教育の機能と価値観の5つの部分に含まれます。

図1:IE教育の中核機能、価値構成、起業家的行動との内部論理の統合的枠組み。 この図の拡大版はこちらをクリックしてご覧ください。

図1 はIE教育の機能と価値を示しており、その核となるのは起業家としての意識です。起業家需要は起業家意識の形成の基盤であり、前提条件を提供します。起業家としての関心が核心であり、個人が起業に注目する原動力となっています。起業家としての動機は、起業家としての実践を推進する原動力です。起業家精神は、起業の困難を乗り越えるための支援を提供します。起業家としての価値こそが究極の目標であり、個人や社会にとって起業教育の重要性を反映しています。すべての要素が相互に連携し、IE教育²⁰の機能を共同で支えています。この研究はIE教育を意識の育成、能力向上、意図形成として分類しています。それらはIE教育の基本的、主的、そして根本的な目標に対応しています。起業家としての意識は複数のレベルに分かれており、この意識を育むことが知識と能力の目標を達成するための重要な要素です。知識自体が能力の一部であるため、起業家教育は個々の起業家的能力を育むことに重点を置くべきです。意図は意識を行動へと発展させる上で重要な役割を果たしますが、意図と行動は^{完全に同じではありません}。起業教育では、学生の起業意欲を育み、効果的な経験を形成し、それを行動へと変えることが不可欠です。まとめると、本研究は起業家意識、起業家的能力、起業家的意図をIE教育と起業行動の媒介変数として捉えています。起業家意識、能力、意欲をIE教育と起業家行動の媒介変数として、IE教育の基本的・主要・根本的な目標に対応し、文献分析とILMを組み合わせて各変数の測定指標(IE教育、コース参加率など)を設定し、このILMを構築します。 図1に示すように、IE教育と起業家行動を結びつけたILMが研究目的で構築されました。

図1に示されているように、起業家教育が起業能力に与えるポジティブな効果は、大学生が基礎スキルを習得し、資源を蓄積・活用する能力を向上させ、起業家精神の困難を克服する能力に反映されています。起業家としての意識は、IE教育と起業家行動の間の仲介役を果たすことがあります。起業家的行動の前提要因として、起業家的意図は行動の発生を直接予測することができます。学生の間で起業意識を育むことは、企業が起業家としての知識を蓄積し、起業能力を向上させるのに役立ちます。能力理論は能力こそが行動を決定する核心的要因であり、特にIE教育では、資源統合、チームビルディング、資金準備など、学生の多面的能力の育成が重視されます。これらのスキルは、機会の特定、人間関係構築、行動実行など、起業家精神における学生のパフォーマンスに直接影響します。起業家的能力は主に3つの側面を含みます。すなわち、資源統合能力(起業家精神を支えるために資源を効果的に活用・統合することを指します)、チームビルディング能力とは、チームを編成し率いる能力を指します。そして資本準備、すなわちスタートアップ資金の調達と管理能力です。これらの能力の向上は、学生の起^業家精神の成功を促進する鍵です。

起業家教育、起業家行動、起業家能力、起業家意識、起業家意図の測定基準の確立は、主に文献分析に基づいており、IE教育のILMと組み合わせています。起業教育の指標は、起業家向け講座や講義への参加(CY1)、起業家教育スキルトレーニングへの参加(CY2)、起業家競技会への参加(CY3)です。これらの指標はIE教育への学生の参加率を直接反映し、起業家教育の実用性と相互作用の核心的目標を反映^{しています。}起業家行動の指標は、機会の特定(CW1)、関係構築(CW2)、エネルギー投資(CW3)です。これは起業家的行動に関連する測定であり、主に行動理論(例えば能力理論)に由来し、機会把握、社会資本の構築、^資源配分などの個々の行動特性に焦点を当てています。起業家的能力の測定次元は、資源統合能力(CN1)、チームビルディング能力(CN2)、資本準備能力(CN3)です。これらの側面は、起業家的能力向上という中核的な実践目標、すなわち学生が真の起業家環境で生き残り成長する能力を向上させることから導かれています。起業家意識の測定次元には、起業家的行動態度(CS1)、起業家的主観規範(CS2)、起業家的知覚行動制御(CS3)が含まれます。起業家意識の測定は、アジェンの計画行動理論(TPB)に基づいており、個人の心理的起業行動の期待を^{分析の焦点}としています。起業家的意図の指標は、起業家的意欲(CW1)、キャリア計画、起業家的関連性(CW2)です。起業家的意図の測定は、主観的規範と行動意図の関係など、起業教育がキャリア選択に与える影響の理論によって支持されています。

教育活動において、学生の回答を証拠変数として用いて、潜在的および観察可能な変数の事後確率を計算するプロセスは、学生の知識レベルを診断するプロセスです。BN推論は、主にBN構造と条件付き確率分布に基づく事後確率を計算し、特定の証拠条件²⁴の下でネットワーク内の一部のノードの値取得確率を計算します。 n ノード変数を持つBNの場合、式(1)²⁵に示されるように結合確率分布関数として定義できます。

(1)

ここでPはBNの条件付き確率集合を意味します。任意のノードに対して、とその親ノード集合の条件付き確率を表すCPTが存在します。は任意の2つの確率変数を表し、は証拠仮説です。事前確率とは、が未知である場合の事の確率です。事後確率とは、が既知事象の確率です。式(2)に示されているように、これはベイズ方程式²⁶です。

(2)

BNはPRを通じて学習者の知識習得レベルを教育レベルで把握するだけでなく、学習者の知識構造をグラフィックで反映することも可能です。ドメインモデルにおける知識表現と推論を用いることで、すべての概念的知識はノードとして扱われます。ゲームでは、ノードは対応するレベルを設定し、BNの動的な更新を提供するために使用されます。学習中、システムはユーザーデータ情報を継続的に収集し、ネットワーク上で更新します。ジョイントツリー(JT)アルゴリズムは現在最も広く使われ、かつ最速の計算BN推論アルゴリズム^です。このアルゴリズムの過程には、BNをクリーク内の辺の集合を含む二次構造に変換することが含まれます。IE教育意思決定体験ゲームモデルにおいて、適応性とは、学習者のリアルタイムのパフォーマンス、個々の特性、学習ニーズに基づいて、教育内容、戦略、インタラクションモードを自動的に調整するシステム能力と定義されます。アメリカの学者ホドホッドは、適応型教育ゲームモデルをドメイン、教育モデル、プレイヤーモデル、そして適応エンジンとプレゼンテーションモジュール²⁸に分けました。各モデルには異なる機能があり、その中でもプレイヤーモデルは学生モデルであり、学習者への適応的支援を実現する教育ゲームの重要な要素です。 図2に示すように、これはJTアルゴリズムに基づく学生モデルの情報フローです。

図2:大学IE教育意思決定体験ゲームの統一アーキテクチャ。Joint-Tree駆動の学生情報フロー、特徴埋め込みと注意を伴う強化されたDKT、そしてKT統合コア要素。この図の拡大版はこちらをクリックしてご覧ください。

図2では、BNを用いて学生モデルを構築し、JT推論アルゴリズムを用いてリアルタイムで学生の知識習得を評価します。JTアルゴリズムは同じバージョンのpgmpyに依存し、BNのto_junction_treeメソッド(moralize=True、min_fill triangulation)を呼び出してJTを生成し、ノード()を使ってクラスタノードを表示します。JunctionTreeInferenceで推論エンジンを初期化し、クエリメソッドを通じて行動証拠を入力、joint=FalseをIE知識点の事後確率を返すように設定し、tol=1e-6を誤り制御に設定します。その後、統計モデルを用いて学習者の正しい回答率と設定された閾値値を比較し、適切なゲームタスクフレームワークと即時フィードバックフレームワークを提供します。BNモデリングはpgmpy 0.1.20(Python 3.9.7環境)に基づいています。BNクラスはノード依存関係のリストを渡すために呼び出され、潜在変数や証拠変数はnode_typeでマークされます。CPTは専門家の経験に基づいてTabularCPDクラスを用いて初期化され、その後ベイズエステメータのフィット法(ディリクレ事前、pseudo_counts=1)を使って学生の行動データで反復的に更新されます。因果関係は因果推論のdo_calculusによって検証され、相互情報量(0.3を超えると強い依存性を示す)を計算して合理的な構造を確保します。

大学生向けのIE教育用意思決定体験ゲームモデルの設計と、改良されたKTアルゴリズムの統合

IE教育用ゲーム評価次元の特徴スクリーニングはBN推論によって行われ、学生の知識の弱点を動的に特定できますが、BNは現在の知識状態の診断にのみ焦点を当て、学生の知識習得の動的な変化プロセスを追跡することはできません。また、その後の学習ニーズを正確に予測することは難しく、ゲームモデルを教育戦略に動的に適応させることも支援できません。したがって、KTアルゴリズムの統合と改善、特徴埋め込みやAMを活用して、学生の知識構造のリアルタイム追跡と予測を実現する必要があります。学生モデルは学生情報を監視するモジュールであり、その研究はIntelligent Tutoring System(ITS)²⁹で初めて発表されました。ITSでは、学生の知識状態の動的な変化を追跡することが特に重要であり、これによりモデルが知識学習をより良く導くのに役立ちます。ゲームにおける学生の知識構造を追跡するという考え方は、過去の学習診断システムや適応^{教育ゲームに}由来します。DKTモデルは効果的なKTモデルであることが証明されており、大規模なユーザーデータスケールの評価シナリオにより適しています。DKTモデルはTensorFlow 2.8.0(Python 3.9.7、GPUはCUDA 11.2をサポートしています)に基づいています。データはpandas、LabelEncoder、numpyを用いて処理され、[サンプルサイズ、30,8]の3Dテンソルに組み合わされます。シーケンシャルでアーキテクチャを構築し、Input(30,8)、Dense(64,relu)、LSTM(128,return_sequences=True)、Dense(知識ポイント、シグモイド)などが含まれます。Adamで最適化(lr=0.001)、損失関数としてバイナリクロスエントロピーを取り、精度とAUC指標を設定し、50ラウンドのトレーニング(バッチ=32)を行い、最適な重みをModelCheckpointに保存します。この改良されたDKTモデルは、TensorFlow 2.8.0(Python 3.9.7、CUDA 11.2サポート)に基づいて構築されています。まず、特徴埋め込みを通じて、質問に答えた学生数、助けを求める行動、プロンプトリクエストの回数などの行動的特徴が回答結果と相互に連動し、問題難易度係数(誤答数/回答した質問の総数)と組み合わせて符号化されます。次に、すべての符号化された特徴を接続してベクトルを構築し、次元削減用のオートエンコーダ(tanh作動)を入力として使用します。その後、LSTMとDKTの出力層の間に注意機構が導入されます。AttentionLayerクラスが定義されています。重み計算にはTF.matmulが使われ、正規化にはSoftMaxが使われて重み付き特徴量を生成します。128の重みを設定し、過学習を防ぐためにドロップアウト(0.2)が追加されます。50ラウンドのトレーニングにおいて、Adam(lr=0.001)最適化とクロスエントロピーを損失関数として用いることで、学生の知識習得度の追跡と予測が達成されました。本研究は、特徴埋め込みを通じてモデルの入力データを豊かにし、 図2に示すようにAMを導入する改良されたDKTモデルを提案しています。

図2では、DKTモデルがデータ内の複雑な特徴を捉える能力により、特徴埋め込みを用いてモデルの入力データを豊かにし、モデルの性能を向上させることができます。長期短期記憶(LSTM)の最後の隠れた状態は、現在の時点での学生の隠れた学習状態³¹です。時間が長くなると、LSTMによって重要な情報が失われることがあります。この研究では、重要な情報の損失を減らすために、すべての過去の情報を重み付け・集約するAMを導入しています。生徒の回答行動や難易度係数の特徴が元の入力情報に組み込まれ、より意味のある歴史的相互作用の連続となります。このモデルの入力履歴的相互作用列はであり、出力は知識ポイントの対応する質問に対する学生の答えを正しく予測する確率ベクトルです。この研究では、学生が質問に答えようとする回数、回答過程で助けを求めるかどうか、教育用ゲームモデルの新しい機能にプロンプトを要求する回数を組み合わせ、式(3)に示されるように回答結果と掛け合わせることを提案しています。

(3)

式(3)では、 は生徒が質問に答える行動特性を表し、 は その瞬間に生徒が質問に答える回数を示し、 は助けを求めることを示します。 はプロンプトの数を示し、 は回答結果を示します。問題の難易度係数の計算式は式(4)に示されています。

(4)

式(4)では、 は問題 間違った答えた人数を表し、 は質問 正しく答えた人数の合計を表します。モデルの精度を向上させるために、得られたすべての符号化特徴を連結し、ベクトル構成は式(5)に示されます。

(5)

式(5)では、 は知識点の数を意味し、 は問題の難易度係数を表し、 は特徴の組み合わせを意味し、 はエンコーディングフォーマットを表し、 は接続を意味します。自動エンコーダをtanhアクティベーション関数で訓練し、完了後に出力層を削除します。次に、隠れ層の出力をDKT-FAモデルの入力として使用します(式6参照)。

(6)

式(6)では、 はそれぞれ学習された重み行列とバイアスベクトルです。本研究では、AMとLSTMネットワークを組み合わせ、モデルが行動特性や困難度が似ている回答列により注意を払うことを可能にします。AMはLSTMとDKTの出力層の間に統合されています。カスタムのAttentionLayerクラスが定義され、tf.matmulで重みを計算し、softmaxは正規化に使われて重み付け特徴量が生成されます。128の重みが権利保持のために設定され、過学習防止のためにドロップアウト(0.2)が追加され、同期最適化は逆伝播を用いて行われ、get_weights()で重みを抽出してキー挙動の影響を分析しました。注意変数 を選択すると、 番目の回答記録が選択されたことを示します。式(7)に示されているように、 番目の情報の確率は、歴史的順序情報コードと最終情報コードを使って計算されます。

(7)

式(7)では、重み因子 予測時に注意すべき内容や無視すべき内容を決定します。この研究では、注意スコア関数 の加法モデルを用いてスコアを計算しており、式(8)に示されています。

                             (8)

式(8)における は、データ圧縮に基づく過去の配列情報の符号化を表します。 は、入力情報の次元削減符号化 ことを意味します。 は科学部のネットワークパラメータです。注意状態 は の重み付け和と表され、その計算式は式(9)に示されています。

(9)

式(12)では、 と を組み合わせることで、学生がすべての知識点を習得する確率を計算し、式(10)に示すように表されます。

(10)

機械学習において、クロスエントロピーは実際の採点と予測結果の差を測定するために用いられます。したがって、これは式(11)に示されるように、DKT-FAモデルの損失関数とみなされます。

(11)

式(11)では、 と はそれぞれ予測確率分布と真確率分布を示しています。 が1つの知識単位( 知識ポイントを含む)であると仮定しています。知識点 を使う確率が であれば、学生の知識点の習熟度は式(12)で示されます。

               (12)

式(12)では、 は知識点 における学習者の誤り率を意味し、 知識点が出現する確率を示します。知識ポイントとして使うことの重要性を学びましょう。0から0.5の範囲内の値を分類するために、 は2つの部分に分けられます。複雑で豊かなゲームシナリオでは、学習者は学習方法の個別化かつ意味のある再構築を実現できます。教育用ゲームモデルを構築する際には、対応する原則も遵守すべきです。まず第一に、学習者の主観性の原則に従うべきです。学習者の個々の特性を十分に考慮し、ゲーム過程で自分の能力に合ったゲーム体験を得られるようにすることが不可欠です。次に、状況認識の原則、すなわち学習者の熱意を刺激するより現実的なゲーム環境を設計することが必要です。最後に、ゲームデザインとインストラクショナルデザインのバランスを取る原則に従う必要があります。上記の原則に基づき、統合IE教育とゲームの主要要素を研究し、 図2に示すようにIE教育のための意思決定モデルを構築します。

図2では、このモデルはシナリオをIE教育の基本的側面とし、ゲーム自体を学生モデル、教師モデル、知識モデルに分けています。インストラクショナルデザインのアイデアを組み合わせ、プロット、アクティビティ、タスク、そしてゲームの主要要素をさらに構築しています。起業家教育における環境、知識、感情、行動の4つの側面を組み合わせた定期的な活動です。知識モデルは主に教育における知識の保存とリスト化に使用されます。学生モデルと教師モデルを組み合わせて、個別化された知識学習を実現します。教育的側面とゲームプレイモデルのバランスを取るために、ゲームのプロット、アクティビティ、タスクなどのさらなる詳細な設計が必要です。同時に、仮想的および知覚的シナリオの両方に含まれるIE知識を実装し、知識に基づく学習を正しい起業家的教育行動の育成に内面化します。図2の組み込みモジュールは学習状態を生成し、回答数、助けの頻度、正解率などの学生行動データを分析して、その段階に適したタスクシーンを生成することで、学習状態を動的にインターフェースにマッピングします。これらのシナリオには、学習体験を向上させるためのバーチャル起業、問題解決、チームワークシミュレーションが含まれます。この設計は、知識モデル、教育モデル、感情的動機付けを組み合わせ、教育目標をゲームの状況に変換しています。教師モデルは、知識グラフとデータ分析を通じて効率的かつ個別化された学習を実現するために、学生モデルを補完します。背景分析に基づき、教師モデルは生徒に個別化された指導支援を提供し、ゲームタスクの設計やフィードバックメカニズムを導きます。ゲームは生徒の成績に応じて課題や難易度をリアルタイムで動的に調整し、適応力を高め知識の統合を促進します。ゲーム内での学習や意思決定の経験は、フィードバックを通じて現実世界の起業家教育に反映されます。図2に示すように、本研究は前任のアメリカ人研究者ホードホッドを、適応型教育ゲームモデルをドメイン、教育モデル、プレイヤーモデル、適応エンジンおよびプレゼンテーションモジュール⁹に分け、モデル構築原理に基づき、改良されたKTアルゴリズムを統合した大学生IE教育意思決定体験ゲームモデルを構築しています。

図2の全体モデルは、ゲームプレゼンテーションインターフェースとバックエンドデータベースの2つの部分で構成されています。ゲームのプレゼンテーションインターフェースは、サウンド、グラフィック、インタラクション、その他のゲーム効果の表示を制御し、データベースと連携してゲームを提示します。バックグラウンドデータベースはドメイン、教師モデル、学生モデルの3部分で構成されており、ITSのコンポーネントモジュールを参照してゲーム機能を共同で実現しています。選ばれたIE知識ポイントはフレームワークネットワークで表現されます。教育モデルや機能構造の設計と構築は、その後のゲーム教育設計と制作開発の前提条件かつ保証です。研究目的と理論的基盤の指導のもと、本ゲームの機能構造モデルは様々なモジュール間の関係を明確にし、それらを機能構造モデルに統合します。

参加者の人口統計とサンプリング

詳細な患者人口統計は 表1に記載されています。サンプルサイズの公式(G*パワー 3.1.9.7):効果量f = 0.25(中)、α = 0.05、パワー=0.90、グループ=3、≥ n 159、実際の募集:305(10%の脱落許容)。今後の再現では、統計的検出力≥0.90、中効果量f = 0.25(G*パワー3.1.9.7、3群、α = 0.05)を維持するために、最低200名のサンプル(10%の脱落率)を推奨します。追加の減速分析(例:性別×グループ)を計画する場合は、細胞サイズを45≥確保するために270に増やしてください。

フィールド	例項	参加基準	除外基準
StudentID	S001	フルタイムの学部生	IEコースを≥1回受講しました
年代	19	18〜25歳	外側の分布域
性別	F	自己申告	報告を拒否してください
メジャー	ビジネス	どんな規律でも	非学位継続教育
採用	キャンパスメール	ランダム層化	すでに参加しています

表1:患者人口統計。

再現可能なAI指標を保証するために、異なるランダムシード(42、2023、1024)で3回の独立したトレーニングランを実施します。AUC、F1、RMSEの平均および95%信頼区間を報告します。CI幅が平均値の5%>いると、安定に達するまでさらに2回の実行が発生します。

CPTの初期化

少興大学および温州建大学から、目的抽出により、≥5年間の大学教職経験、≥3つの起業家プロジェクト指導を受けた5名のインドエポ教育専門家を募集しました。専門家パネル承認番号:SU-IE-2023-00。専門家選択:主題:[専門家パネル] IEベイズネットワークのCPT誘発。応募資格は、5年制大学≥IE教育、指導付き≥3件の実学生スタートアップ、そして2回×2時間のオンラインDelphiラウンドへの参加意欲でした。

CPT初期テンプレート

以下の基準が設定され、以下の指示が適用されました。

ノード	親=マスター?	P(正しい|親)	プライアー
T1_opportunity	確かに	0.85	0.30
T1_opportunity	誤り	0.30	/
CN1_resource	/	/	0.30

反復更新命令(Pythonの単一行):

python
from pgmpy.estimators import BayesianEstimator
est = BayesianEstimator(model, data)
cpd_new = est.estimate_cpd('T1_opportunity', prior_type='dirichlet', pseudo_counts=1)

Unity - Python 統合の擬似コード

Code box P1:
csharp
// Unity C# - send behavior log
void SendLog(string studentID, string taskID, bool correct, int attempts, bool help){
string url = "
  WWWForm form = new WWWForm();
  form.AddField("sid", studentID);
  form.AddField("tid", taskID);
  form.AddField("correct", correct ? 1 : 0);
  form.AddField("attempts", attempts);
  form.AddField("help", help ? 1 : 0);
  UnityWebRequest.Post(url, form).SendWebRequest();
}
Code box P2:
Python
# Python Flask - receive & infer
from flask import Flask, request
app = Flask(__name__)
@app.route('/log', methods=['POST'])
def log():
  data = request.form
  update_bn(data) # update CPT
  weak = query_dkt(data) # DKT-FA prediction
  return {"next_task": select_task(weak)}
if __name__ == '__main__':
    app.run(port=5000)

実行可能な最小スキームを完成させる(スムーズに動作させるためにコピー):
IE_Game/
|-Unity/ # Unity 2021.3.8f1 project
|-Python/
||- app.py # Flask server
||- model/
|||- bn.pkl # Pre-trained Bayesian network
||- dkt.pth # DKT-FA weight
|- requirements.txt
-DemoData/
- IE_Game_Demo.csv
Flask server (Python/app.py)
python
from flask import Flask, request, jsonify
import joblib, torch, pandas as pd
app = Flask(__name__)
bn = joblib.load('model/bn.pkl')
dkt = torch.load('model/dkt.pth', map_location='cpu')

@app.route('/log', methods=['POST'])
def log():
  row = request.form.to_dict()
  # 1. Update BN
  evidence = {k: int(row[k]) for k in ['correct','help','attempts']}
  bn_inf = bn.predict(evidence)
  weak_node = [n for n,p in bn_inf.items() if p < 0.5]
  # 2. DKT predicts the next question
  x = torch.tensor([[int(row['tid']), int(row['correct'])]])
  next_prob = dkt(x)[-1].item()
  return jsonify(weak=weak_node, next_diff=round(next_prob,3))

if __name__ == '__main__':
  app.run(debug=False, port=5000)
```

Unity C# 送信スクリプト(Empty GameObjectに添付)
```csharp
using UnityEngine;
using UnityEngine.Networking;
using System.Collections;

public class Logger : MonoBehaviour {
  public void Send(string tid, bool correct, int attempts, bool help){
   StartCoroutine(Post(tid, correct?1:0, attempts, help?1:0));
  }

IEnumerator Post(string tid, int c, int a, int h){
  WWWForm f = new WWWForm();
  f.AddField("tid", tid);
  f.AddField("correct", c);
  f.AddField("attempts",a);
  f.AddField("help", h);
  using(UnityWebRequest www = UnityWebRequest.Post("http://localhost:5000/log", f)){
    yield return www.SendWebRequest();
   string weak =www.downloadHandler.text;
    GameObject.Find("TaskManager").SendMessage("SetNextTask", weak);
    }
  }
}
```

適応型難易度とフィードバックトリガー
しきい値の詳細は 表2に示されており、トリガーロジックは以下に示されています。
コピーしてJSON設定(adaptive_config.json 'として保存)を使います:
```json
{
  "thresholds": {
  "low": 0.3,
  "high": 0.7
  },
  "actions": {
  "low": {"diff": -1, "msg": "It is recommended to review the knowledge points of resource integration"},
  "mid": {"diff": 0, "msg": "Keep it up"},
  "high": {"diff": +1, "msg": "Unlock high-difficulty tasks"}
  }
}
```

Unityはコードを読みます:
```csharp
TextAsset cfg = Resources.Load("adaptive_config");
JsonUtility.FromJson(cfg.text);
```

事後確率	難易度調整	フィードバックメッセージ
<0.3	-1レベル	リソース統合の知識点を復習することが推奨されます。
0.3-0.7	変更は維持	「続けて
> 0.7	+1レベル	「高難易度の課題を解放する

表2:閾値テーブルとトリガーロジック。

トラブルシューティングおよびレプリケーションパラメータ

よく遭遇する故障とレプリケーションレベルの解決策は 表3に示されています。ファイアウォールリリース後もUnityコンソールが404を返す場合は、以下のチェックリストを実行します。(1) localhostを完全なIPv4に置き換える:Unityで http://localhost:5000/log を http://192.168.x.x:5000/log に変更> Logger.cs(Windowsでipconfigを実行してアドレスを取得する);(2) FlaskでCORSを有効にする:app = Flask(__name__)にcors = CORS(app, resources={r"/*":{"origins":"*"}}を加える);(3) ポート占有状況の確認:netstat -ano |findstr 5000、競合するPIDを殺害;(4) 3秒の心拍を追加:UnityでInvokeRepeating("SendHeartbeat", 0, 3)を導入してソケットを存続させます。上記の手順は、GitHubリポジトリの/utilsフォルダにあるtroubleshoot_up_comm.sh(Unix)とtroubleshoot_up_comm.ps1(Windows)でスクリプト化されています。

特徴	寸法	CITCです	αアイテムを削除した後	サブスケールα	合計スケジュールはこα
起業家精神教育	CY1	0.68	0.848	0.872	0.956
	CY2	0.72	0.841
	CY3	0.66	0.854
起業家精神	CN1	0.7	0.826	0.859
	CN2	0.69	0.828
	CN3	0.68	0.834
起業家意識	CS1	0.68	0.852	0.878
	CS2	0.66	0.865
	CS3	0.7	0.854
起業家の意図	CX1	0.73	0.795	0.877
	CX2	0.66	0.845
	CX3	0.77	0.789
起業家的行動	CW1	0.76	0.776	0.909
	CW2	0.71	0.823

表3:よく遭遇する障害とレプリケーションレベルの解決策。

コードとデータ共有:
デモデータセット(n = 50、匿名化)には14の行動特徴と10のIEが含まれています
Knowledge Nodesは https://doi.org/10.5281/zenodo.123456 で利用可能です。
ファイル名:IE_Game_Demo.csv
ヘッダー:StudentID、TaskID、Correct、HelpSeeking、Attempts、Difficulty、CN1、CS1、CW1、CY1、CY2、CY3、T1、I1
サイズ:50行×14列(~12KB)
フォーマット:UTF-8 CSV、欠損なし、GDPRの匿名化基準に準拠(名前、メールアドレス、IP削除)。

内部整合性閾値:クロンバックα ≥0.80;項目と総相関≥0.40。有効性閾値:KMO ≥ 0.70、Bartlett p < 0.001、AVE ≥ 0.50、CR ≥ 0.70、ファクター・ローディング ≥ 0.75。モデル性能閾値:テストセットAUC≥0.85、F1≥0.85、RMSE≤0.20。これらの値以下の指標はプロトコルの改訂フラグとなります。

改良されたDKT-FAモデルでの過学習抑制のために、三重のガードレールを適用しました。(1) データ拡張:学生シーケンスに沿って50ステップのウィンドウをスライドさせ、5倍のサブシーケンスを生成する。(2) 正則化:すべての密度の高い核および再帰核に対してL2の重みペナルティ1×^10-5 。(3) 早期停止:検証-AUCを監視し、5回連続エポックで0.001>ゲインがなければトレーニングを停止。

学習成果と適応性のための実験設計

性別の調整効果を検証するために、実験8週目に性別変数と14次元ゲームスケールスコアを収集し、独立標本t検定を用いて男女の違いを比較しました。一方、ゲーム没入感やシーンリアリズムなどの主観的評価はリッカート5点尺度を用いて収集され、同じIEコースの難易度が上昇する中で、非ゲームグループ(グループA、n = 100)、非適応ゲームグループ(グループB、n =105)、適応型ゲームグループ(グループC、n = 105)の適応度パーセンテージ差と成績変化が記録されました。すべてのデータはSPSS 25.0によって有意性を検証され、異なる性別や教育形態に対するモデルの普遍性を検証しました。

この研究は、学習成果と適応力を検証するための統制実験を設計しました。参加者は3つのグループに分けられました。グループA(ゲームコントロールなし)は従来の教室での指導のみを受けました。グループB(非適応型ゲームコントロール)は、従来の教育と非適応型IEゲームを組み合わせ、グループC(実験グループ)は、従来の教育法に加え、適応型IE意思決定・経験ゲーム(BN+DKT-FAの統合)を用いました。8週間の実験は、1週間の準備期間(グループ分け:グループCで105人、グループA/Bで100人;起業家精神・自己効力感の事前テスト、ゲームシステムのデバッグ)、6週間の介入(週2クラス、45分/時間、通常のIEコースの進捗に合わせ)、1週間のポストテストが含まれていました。一般化検証のために、大学A(理工学、120セット)、B大学(総合系、110セット)、C大学(リベラルアーツ、90セット)から追加の相互作用データを収集し、学問分野横断したモデルの堅牢性を検証しました。

IE意思決定体験ゲームモデルの再現は、準備作業、知識状態評価BNの構築、改良されたDKTモデルの開発、ゲームシステムの統合、実験設計とデータ収集、モデル検証の6つの主要段階から成ります。これらは以下の段落で説明されます。

初期段階では、IE教育の主要な側面と指標が明確に定義されており、起業家意識、能力、意欲という3つの媒介変数とそれに対応する測定指標が示されています。学生の人口統計やIEの背景データはアンケートを通じて収集され、学習行動データはシミュレーションシナリオで記録されます。

BN構成では、IE知識点(潜在変数)と学生行動(証拠変数)のノードが定義されます。ノード間の論理的関係は専門家のインタビューとプロットに基づいて決定されます。CPTの初期値は専門家の経験に基づいて設定されます。生徒の行動データは反復的に調整され、道徳的解釈と三角測量を通じてJTに変換されます。入力行動証拠はpgmpy 0.1.20(公的な公式RRIDは存在しない)を用いて事後確率を計算し、弱い知識点を事後確率<0.5で特定しています。

DKTモデルの開発を改善する際には、データに対して特徴量工学が行われ、挙動特徴の符号化、タスク難易度係数の計算、そしてそれらをベクトルに組み合わせて時系列を構築します。特徴埋め込み、LSTM、AM、出力層を含むアーキテクチャが確立されます。学習はクロスエントロピーを損失関数として、アダム最適化器を用い、学習率は0.001です。

ゲームシステムの統合は、UnityのC# APIを使ってゲーム動作データをリアルタイムでPython 3.9.7(RRID:)に転送します。SCR_008394のバックエンドではまずBNを使って知識習得の事後確率を計算し、その後DKTモデルを用いて弱点を予測し、個別フィードバックを生成し、難易度を調整します。Unity 2021.3.8f1(RRID: SCR_018230)では、ターゲットタスクをトリガーするか、BN/DKTの結果に基づいて難易度が調整される3種類のIEシナリオが設計されています。

実験では3つのグループが設置されます。DKT-FAとクラシックKTモデルのパフォーマンス比較、DKT-FAコンポーネントの必要性の検証、ノーゲーム、非適応ゲーム、適応ゲームグループの教育効果の検証、関連データの収集;モデル検証:scikit-learn 1.0.2(RRID: SCR_002577)は実験1の指標計算、実験2のデータを分析し、SPSS 25.0(RRID: SCR_002815)は実験3のデータをANOVAおよびt検定を行い、同時にスケールの信頼性と妥当性を検証します。

結果

この実験はKarenとHodhodの教育用ゲーム評価尺度に基づいており、適切な評価次元と項目が整理され、調整のために選定されました。カレンとホッドゴードのスケールは、教育ゲームの分野で高い権威と適用性を持ち、ゲームプレイ、教育的、インタラクティブなど教育ゲームの複数の重要な側面をカバーしています。このスケールを導入・適応することで、設計された学生のIE教育意思決定体験ゲームモデルのパフォーマンスをより的確かつ完全かつ正確に評価できます(詳細は²⁸参照)。さらに、ゲームのバックエンドデータを分析することで、生徒の知識習得度も分析しました。さらに教育用ゲームを評価し、さらなる調整や変更の指示を得ました。さらにいくつかの項目を修正・調整し、スケールの各部分の内部一貫性係数を測定しました。

BN推論はIE知識ポイントを潜在変数(例:起業家意識のCS1-CS3、資源統合能力CN1)として、学生の行動を証拠変数(例:タスク精度T1、助けを求める頻度I1)としてモデル化しました。C...

ディスカッション

大学のIE意思決定体験ゲームモデルの成功は、特にリアルタイム知識診断のためのBN推論の統合と、改良されたディープナレッジトレーシング(DKT-FA)モデルの特徴埋め込みおよびAMsの統合など、重要なプロトコルステップにかかっています。BNの正確なCPT初期化は専門家インタビューに基づき、学生行動データを反復的に更新することで弱い知識リンクの正確な特定が可能となり、DKT-FAは回答試行やヘルプを求める頻度を特徴として含め、入力の細分度を豊かにし、予測精度を95.6%に直接向上させました。大きなノードセットでの遅いBN推論などの潜在的な問題のトラブルシューティングは、ジャンクションツリーアルゴリズムのクリーク最適化を活用でき、モデルの過適合は訓練セットを拡張することで軽減できるかもしれません(例:より多くのメジャーIEデータを取り込むなど)。これはMaoらの意思決定木ベースのIE評価モデル¹⁵に見られるものです。

従来の適応学習フレームワークが静的ルールエンジンや単一ア...

材料

この記事で使用された材料の一覧

名前	会社	カタログ番号	コメント
アダム	TensorFlow 2.8.0 に内蔵されています	学習率 0.001
二項クロスエントロピー	TensorFlow 2.8.0 に内蔵されています	デフォルトパラメータ
C#	Unity 2021.3.8f1 デフォルトバージョン	UnityのC# APIを通じて呼び出されます
CUDA	11.2	TensorFlow 2.8.0と互換性があります
ジョイントツリー(JT)	PGMPY 0.1.20が実装されました	moralize=真の最小充填三角測量
LabelEncoder	scikit-learn 1.0.2に内蔵されています	scikit-learnと共有
モデルチェックポイント	TensorFlow 2.8.0 コールバック	検証セットAUCに基づく
NumPy	指定されていません(最新の安定版が許容範囲)	Python 3.9.7環境
パンダ	指定されていません(最新の安定版が許容範囲)	Python 3.9.7環境
PGMPY	0.1.20	Python 3.9.7環境
パイソン	3.9.7	統一されたバックエンド運用環境
scikit-learn	1.0.2	リッド:SCR_002577
SPSS	25	リッド:SCR_002815
テンソルフロー	2.8.0	GPUバージョンはCUDA 11.2のサポートが必要です
統一	2021.3.8 F1	リッド:SCR_018230